빅데이터로 일하는 기술 = Big data

목차 (Table of Contents)

• 목차
• CHAPTER 1 IT 트렌드와 디지타이징 비즈니스
• 빅데이터 시대를 연 IT 트렌드 변화와 미래 핵심 기술의 등장 = 32
• IBM 대형 컴퓨터로 시작된 중앙 집중식 비즈니스 처리 방식 = 33
• 다운사이징 열풍과 함께 최고로 성장한 오라클과 시스코, HP = 33
• 개인용 PC 시대를 연 마이크로소프트 = 34
• 빅데이터 기술의 시초, 하둡 탄생의 배경 = 35
• 빅데이터를 양산하는 스마트폰으로 촉발된 모빌리티의 시대 = 35
• 기업의 IT 자원 활용도를 극대화하는 클라우드 컴퓨팅 열풍 = 36
• 더 많은 양의 빅데이터를 생산할 센서의 시대가 온다 = 37
• 미래 핵심 기술 : 소셜, 모바일, 빅데이터, 클라우드, 사물 인터넷 = 38
• 빅데이터로 시작된 혁신, 디지타이징 비즈니스 = 38
• 제품 체험 기회와 최저가를 동시에 제공해야 구매가 일어난다 = 41
• 사물 인터넷, 빅데이터 분석, 모바일 기술 등이 결합된 비콘 = 42
• 위기이거나 혁신에 성공하거나 : 글로벌 IT 기업과 IT 트렌트 = 45
• 클라우드 컴퓨팅 분야 = 45
• 모바일 분야 = 46
• 빅데이터 분야 = 47
• 사물 인터넷 분야 = 47
• ERP 및 인 메모리 데이터베이스 분야 = 48
• IT 분야의 새로운 강자 구글, 아마존, 세일즈포스 = 49
• 무엇이 글로벌 IT 기업을 약하게 만들었는가 = 50
• 퀴즈로 알아보는 빅데이터 = 54
• CHAPTER 2 시나리오 분석부터 재미있게 시작하는 빅데이터 분석
• 빅데이터란 무엇인가 = 58
• 빅데이터의 정의, 4V = 58
• 얼마나 커야 빅데이터라고 부를 수 있을까 = 59
• 빅데이터 기술과 새로운 비즈니스의 등장 = 60
• 스몰 데이터, 다크 데이터, 패스트 데이터, 스마트 데이터 = 62
• 혁신하려면 빅데이터를 분석하라 = 64
• 미래를 예측하는 빅데이터, 무료 분석 툴부터 활용하라 = 68
• 빅데이터의 후행성 : 정교하게 분석해 결론을 도출하라 = 68
• 검색어의 선행성 : 예측 모형을 정교화해 정확도를 높여라 = 69
• 포털 사이트의 검색 빈도 분석 툴 : 네이버 트렌드와 구글 트렌즈 = 71
• 무료로 사용할 수 있는 소셜 미디어 분석 툴 : 소셜 메트릭스 = 74
• 본격적인 빅데이터 분석에 앞서 : 시나리오에 의한 검색어 분석 실습 = 76
• 스마트폰 경쟁 분석 = 76
• 야외 운동 : 골프, 등산, 캠핑의 비교 = 86
• 네이버 트렌드와 소셜 메트릭스의 활용 = 88
• 퀴즈로 알아보는 빅데이터 = 90
• CHAPTER 3 다양하게 활용되는 소셜 미디어 분석
• 막강한 소셜 미디어, 이렇게 활용하라 = 94
• 소셜 미디어 분석이란 = 95
• 소셜 미디어 분석은 빅데이터 분석이다? = 95
• 일반인이 많이 알고 있을 만한 키워드 중심으로 분석하라 = 96
• 자연어를 처리할 때는 동음 유의어에 주의를 기울여라 = 98
• 평소에 일반인이 관심을 갖는 분야를 선택하라 = 98
• 소셜 미디어의 파워는 선거에서 나타난다 = 101
• 소셜 미디어는 정부 정책 결정 시 매우 잘 활용될 수 있다 = 103
• 소셜 미디어에서는 루머와 사실을 구분할 수 있어야 한다 = 105
• 소셜 미디어의 3단계 분석 과정 = 108
• 사용자 요구 사항 = 108
• 1단계 : 웹 크롤링 서비스 = 110
• 2-1단계 : 자연어 처리 서비스 = 111
• 2-2단계 : 텍스트 분석 = 112
• 2-3단계 : 시각화 = 112
• 3단계 : 최종 사용자 = 114
• 소셜 미디어 분석을 활용할 수 있는 분야 = 114
• 신제품 개발 및 론칭 효과 분석 = 114
• 광고 효과 분석 = 115
• 기업의 평판 리스크／위기 관리 = 115
• 고객의 VOC = 116
• 소셜 리서치 = 116
• 데이터 저널리즘 = 117
• 퀴즈로 알아보는 빅데이터 = 118
• CHAPTER 4 빅데이터 도입 시 야기되는 일반적인 이슈들
• 빅데이터에 대한 이해가 부족하다 = 122
• 빅데이터를 도입하려는 기업에 들려주는 경험담 = 122
• 기업 내 부서별로 빅데이터를 바라보는 관점이 다르다 = 122
• 기업 경영진의 빅데이터에 대한 이슈들 = 124
• 기업 경영진은 빅데이터 도입 시 본인들의 영향력을 간과한다 = 124
• 기업 경영진은 빅데이터를 너무 쉽게 생각하는 경향이 있다 = 125
• 경영진이 '감'에 의해 경영하면서 빅데이터 도입 검토를 지시한다 = 126
• 빅데이터 TF 리더의 역할을 IT 부서가 해서는 안 된다 = 127
• 빅데이터를 도입하려면 빅머니가 필요하다? = 129
• 현업 담당자들의 빅데이터에 대한 이슈들 = 130
• 현업 담당자들 스스로 데이터 분석 능력을 키워야 한다 = 130
• 아웃소싱 업체에 맡기고 분석 결과만 받아 보기를 바라는 경향이 있다 = 131
• 빅데이터 분석과 기존 데이터 분석의 차이점이 클 거라 믿는다 = 131
• IT 담당자들의 빅데이터에 대한 이슈들 = 132
• IT 담당자들은 하둡을 배우기 꺼려한다 = 132
• 빅데이터 구축 이후에는 유지 보수만 하면 된다고 생각한다 = 133
• 빅데이터 프로젝트 정확하게 이해하기 = 134
• 빅데이터 프로젝트는 참여하는 전문가들의 수준에 달려 있다 = 134
• 빅데이터 전문가는 매우 다양하다 = 135
• 빅데이터 프로젝트의 목적은 데이터에 기반한 의사 결정이다 = 136
• 현업 담당자의 판단 아래 빅데이터 시스템을 도입해야 한다 = 137
• 퀴즈로 알아보는 빅데이터 = 140
• CHAPTER 5 빅데이터 테마 선정을 위한 도출 방법론
• 어떤 주제로 빅데이터를 구현할까 : 빅데이터 테마 도출 = 144
• 빅데이터 테마 도출을 위해 빅데이터 컨설팅사를 활용하라 = 145
• 빅데이터 테마 도출 방법론과 프로세스 = 146
• 1단계 : 산업별 빅데이터 사례 분석 = 149
• 유통업 사례 분석을 통한 테마 발굴 = 152
• 2단계 : 기본 업무 분석 = 154
• 3단계 : 인터뷰 = 156
• 3-1 단계 : 임원 인터뷰 = 156
• 3-2 단계 : 현업 인터뷰 = 158
• 3-3 단계 : IT 팀 인터뷰 = 160
• 4단계 : 내부／외부 데이터 파악 및 데이터 탐색 = 160
• 4-1 단계 : 내부／외부 데이터 파악 = 160
• 4-2 단계 : 초기 데이터 탐색 = 161
• 5단계 : 교육과 워크숍 = 163
• 5-1 단계 : 임원, 현업팀, IT 팀에 대한 교육 = 163
• 5-2 단계 : 현업팀 워크숍 = 166
• 6단계 : 빅데이터 테마 후보 선정 및 평가 = 169
• 6-1 단계 : 빅데이터 테마 후보 선정 = 169
• 6-2 단계 : 평가 = 171
• 7단계 : Quick Win 과제 및 테마 선정과 마스터플랜 = 174
• 7-1단계 : Quick Win 과제 및 테마 선정 = 174
• 7-2 단계 : 빅데이터 추진 마스터플랜 = 175
• 퀴즈로 알아보는 빅데이터 = 180
• CHAPTER 6 경쟁력 있는 빅데이터 분석의 모든 것
• 기업의 경쟁력을 지원하는 빅데이터 분석 사례 = 184
• 빅데이터 분석과 기존 통계 분석의 차이점은 무엇일까 = 184
• 넷플릭스의 시네 매치 시스템과 딥 러닝 = 185
• 아마존의 추천 시스템 = 188
• 빅데이터를 구현할 때 활용할 수 있는 분석 서비스 = 191
• 울프람 알파의 연산형 지식 엔진 = 191
• 아이디인큐(ID INCU)의 모바일 리서치 = 194
• 빅테이터를 구현할 때 참고할 수 있는 데이터 = 197
• 건강보험심사평가원의 연구용 청구 데이터 = 197
• SKT의 지리 정보 시스템 기반의 공간 빅데이터 서비스 = 200
• 빅테이터를 구현할 때 활용할 수 있는 분석 시스템 = 202
• 구글의 빅쿼리 = 202
• 퀴즈로 알아보는 빅데이터 = 204
• CHAPTER 7 빅데이터와 IT 기술
• 빅데이터와 전통적인 DW／BI의 차이점 및 공통점 = 208
• 빅데이터 기술과 전통적인 DW／BI 기술의 차이는 무엇일까 = 208
• 빅데이터 기술과 DW／BI 기술의 공통점은 무엇일까 = 213
• 기존 DW／BI 시스템에 빅데이터 기술을 도입하기 위한 제안 = 214
• 기존 DW／BI 시스템의 요구 사항 = 214
• DW／BI 1단계 확장 방안 = 215
• DW／BI 2단계 확장 방안 = 218
• DW／BI 3단계 확장 방안 = 220
• 빅데이터 시스템 도입으로 인한 기존 IT 조직의 변화 = 222
• 빅데이터 솔루션 맵 = 223
• 빅데이터 아키텍처 = 223
• 데이터 처리, 조회 분야 소프트웨어 장단점 분석 = 226
• 빅데이터 인프라 및 서비스 맵 : 외산 솔루션 = 227
• 빅데이터 인프라 및 서비스 맵 : 국산 솔루션 = 229
• 국내 제품 중 소개할 만한 제품 = 231
• 플라밍고 = 231
• 아파치 타조 = 234
• 퀴즈로 알아보는 빅데이터 = 236
• CHAPTER 8 빅데이터 구축 방법론
• 빅데이터 구축 방법론의 중요성 = 240
• 빅데이터 활용을 위해서는 '빅데이터 구축 방법론'이 필요하다 = 240
• 빅데이터 프로젝트 내에서 원활히 커뮤니케이션할 수 있어야 한다 = 241
• 빅데이터는 단계적인 수행 절차가 방법론에 녹아 있어야 한다 = 241
• '빅데이터 구축 방법론'은 '빅데이터 테마 도출 방법론'과 쌍을 이루어야 한다 = 242
• 빅데이터 구축 방법론에 대한 설명 = 243
• 빅데이터 추진 마스터플랜(모듈 1) = 245
• 비즈니스 활용 및 변화 관리 구현(모듈 2) = 247
• 비즈니스 테마에 대한 충분한 이해(모듈 2-1) = 247
• 분석 결과에 대한 비즈니스 액션 플랜(모듈 2-2) = 248
• 전사적 활용 모니터링 및 활성화 방안(모듈 2-3) = 249
• 빅데이터 활용 평가(모듈 2-4) = 249
• 빅데이터 활용 조직 설계(모듈 2-5) = 254
• 필요한 인력과 Skill set의 정의(모듈 2-6) = 261
• 필요한 인력의 조달 방법(모듈 2-7) = 261
• 내부 인력 교육 계획(모듈 2-8) = 262
• 테마별 분석 모델 설계／분석(모듈 3) = 263
• 데이터 마이닝 방법론의 비교 = 263
• 빅데이터 간접 분석 방법 = 265
• 빅데이터 직접 분석 방법 = 267
• 빅데이터 분석 툴 교육(모듈 3-0) = 267
• 비즈니스 테마에 대한 충분한 이해(모듈 3-1) = 268
• 필요 데이터의 정의(모듈 3-2) = 268
• 데이터의 탐색(모듈 3-3) = 269
• 파생 데이터 설계 및 데이터 작업 요건 전달(모듈 3-4) = 269
• 분석 모델 설계 및 테스팅(모듈 3-5) = 270
• 데이터의 시각화(모듈 3-6) = 271
• 분석 결과에 대한 평가(모듈 3-7) = 272
• 분석 모델의 유지 보수 및 업그레이드 방안(모듈 3-8) = 273
• 빅데이터 설계／구축(모듈 4) = 274
• 비즈니스 테마에 대한 충분한 이해(모듈 4-1) = 275
• 데이터 모델링(모듈 4-2) = 275
• 내부／외부 데이터 ETL 설계(모듈 4-3) = 276
• 내부／외부 데이터 정제 작업 설계(모듈 4-4) = 277
• 내부／외부 데이터 ETL 및 정제 작업 수행(모듈 4-5) = 277
• 데이터 작업 수행(모듈 4-6) = 278
• User／Access 관리, 보안 관리 수행(모듈 4-7) = 278
• 빅데이터 시스템 설계／구축(모듈 5) = 279
• SW 아키텍처 설계(모듈 5-1) = 279
• HW／Cloud 아키텍처 설계(모듈 5-2) = 280
• SW／HW／Cloud 설치(모듈 5-3) = 282
• 빅데이터 거버넌스 설계／구축(모듈 6) = 282
• 데이터 거버넌스 설계 및 구축(모듈 6-1) = 282
• 외부 데이터 관리(모듈 6-2) = 283
• 사용자／액세스／보안 관리 설계(모듈 6-3) = 283
• 퀴즈로 알아보는 빅데이터 = 286
• 부록 : 컨퍼런스를 통해 살펴본 빅데이터 세계 동향(Strata Hadoop World 2014＆Teradata Partners 2014)
• Strata Hadoop World 2014 = 290
• 미국은 이미 'Why Big data'를 고민하는 단계에서 'How to do Big data'를 고민하고 있는 단계로 넘어갔다 = 291
• 현재 상황에서 하둡은 'Clear winner'다 = 291
• 아파치 하둡보다 상용 하둡을 더 많이 쓴다 = 292
• 스파크에 대한 대단한 관심이 쏟아지고 있다 = 292
• 기존 RDB에 있는 정보계성 업무를 하둡으로 마이그레이션하고 있다 = 293
• 데이터 사이언스에 대한 관심이 뜨겁다. 그러나 하둡 진영과는 거리를 좁히려는 노력이 필요하다 = 293
• Big data＋IoT의 결합은 당연한 것이지만, 옵티멀 아키텍처(Optimal architecture)의 방향을 모색하고 있다 = 294
• 하둡의 미래를 소개한 마이크 올슨의 키노트 = 295
• 비즈니스 사용자를 위한 친밀한 사용자 환경 제품 등장 = 296
• 자사의 솔루션 광고보다 인사이트를 공유하는 세션이 더 필요하다 = 297
• 빅데이터 활용 시 야기되는 개인 정보 문제 = 298
• 빅데이터도 잘못 수집되고 해석될 수 있다 = 299
• 빅데이터로 사람의 감정까지 분석한다 = 300
• 빅데이터의 현재를 돌아본다 = 300
• Strata Hadoop World 2014로 본 빅데이터 시장 예측 = 301
• Teradata Partners Conference 2014 = 303
• 엄청난 규모의 데이터를 분석하고 운영하는 이베이 = 305
• 데이터 웨어하우스와 하둡 간의 관계 = 306
• GM의 새로운 EDW 아키텍처 = 308
• 볼보의 빅데이터 프로젝트 운영 사례 = 311
• 테라데이타의 Unified Data Architecture = 315
• 빅데이터는 의사 결정을 위해 정렬되어야 한다 = 318
• SQL 온 하둡 분야의 주목할 만한 제품들 = 318
• 개인 정보 보호에 대한 이슈 = 320